一套提高 Coding Agent 工作可靠性的方法：优先改进代码库，其次建立自动检查，再补充文档，把人工审查精力更多投入到能减少后续错误的地方。（via Lauren Tan）

1、先让代码结构约束错误Agent 喜欢模仿已有代码，也倾向于选择最短的实现路径。因此，代码库里的架构、类型、不变量和模块边界，会直接影响它接下来写出的代码。她建议优先从代码层面消除整类问题，让最容易采用的写法本身就是正确的写法。这样，后续任务就不用每次都重新解释同一条规则。

2、能自动检查的，交给工具Lint 规则、测试、CI，以及适用时的形式化验证，可以提前发现问题，减少反复消耗 token 纠错。代码结构之外，再用可执行的检查约束产出。测试、CI 和形式化验证的作用不同，但都比单纯要求 Agent 自觉遵守更容易留下可检查的证据。

3、文档承接仍然需要判断的部分注释、规则、AGENTS.md、Skills，适合记录无法直接强制执行、仍需 Agent 理解和判断的内容。她的建议是克制使用，避免把所有要求都堆进文字说明。其中一个具体工具是 /create-verification-skill：为项目建立验证 Skill，整理功能与验证方式。她公开的 pstack 仓库提供了这个能力。

4、人工 Review 要考虑投入位置她认为，随着 Agent 提交代码的速度提高，逐个彻底审查所有 PR 会越来越难扩展。因此，人工精力需要更多投入到架构、约束和验证环境上，减少同类问题反复进入审查环节。她把这个投入顺序画成倒金字塔：代码库改进最多，自动检查其次，说明文档再次，人工逐项审查放在最后一层。

5、从自己的历史反馈中找改进方向原帖给出的做法很具体：让 Agent 阅读自己曾经对 PR、代码和架构提出的意见，包括聊天记录、代码审查评论，以及过去指导 Agent 的对话。她用 /recall 恢复相关上下文，再结合历史提交寻找 Agent 最常犯的错误，提出让代码库更适合 Agent 工作的重构计划。这里要提炼的是实际发生过的问题，以及自己反复纠正它的方式。

6、让原型和数据支持方案对于计划里的开放问题，她要求 Agent 先尝试用原型寻找答案，并用真实数据支持重构建议，减少把所有判断都推回给人的情况。正式开始之前，再澄清任务，让 Agent 用自己的话复述理解，并与自己确认。调查和试验可以主动推进，改造目标仍需先对齐。

HOW I AI 程序员